过去一段时间,Agent 生态的主要叙事一直是“能力增加”:模型更强、工具更多、Skill 更丰富。
但当能力数量真正增长起来,另一个问题会很快出现:这些 Skill 由谁管理?
可以把 Agent 的 Skill 库想成一间不断扩张的工具房。
工具越多,理论上能完成的任务越多;可真正工作时,如果找不到合适工具、选错版本、无法判断效果,或者更新后没有回退路径,工具数量反而会增加不确定性。
HKUDS 开源的 OpenSpace 正面处理了这个问题。它把自己定位成 AI Agent 的 Skill Management Layer,试图把 Skill 的检索、评估、分享和演化放到同一个生命周期中。
一、Retrieve:先解决“该用哪一个”
Skill 少的时候,重点是“有没有”。Skill 多起来以后,重点会变成“当前任务应该用哪一个”。
OpenSpace 的检索思路不是把所有 Skill 一次性塞给 Agent,而是先根据任务需要缩小范围,再选择适合的能力。
它对应的是一个很现实的工程问题:能力库越大,选择成本和上下文成本越不能忽略。
二、Evaluate:不要只相信说明,要看真实任务证据
这是 OpenSpace 最值得关注的部分之一。
一个 Skill 被检索到,不代表它真正被使用;被调用,也不代表任务完成。OpenSpace 把被选中、实际调用、任务结果和 fallback 等记录作为质量上下文。
这套思路的重要性在于,它把“这个 Skill 好不好”从一句主观评价,推进到可以被追踪的任务证据。对团队来说,这比只维护一个描述文件或静态评分更接近真实使用情况。
三、Share:验证过的能力才值得复用
Skill 的价值不应该永远锁在某台机器或某个 Agent 里。但复用的前提不是“它已经被创建”,而是“它在任务中被验证过”。
只有把能力、证据和版本关系保留下来,团队才有机会判断:哪些 Skill 可以共享,哪些仍需观察,哪些只适合某个局部场景。


